摘要为应对气候变暖，全球已就减少温室气体排放达成共识，各国纷纷出台政策扶持新能源汽车行业发展。新能源汽车产品经过强力的政策支持和广泛的市场宣传，加上电动化、智能化技术的进步以及商业模式的创新，已经逐步取得市场认可。2020年虽然全世界笼罩在新冠肺炎疫情的阴影下，但新能源汽车全球销量依然取得了巨大增长，取代传统汽车已是大势所趋。由于市场前景良好，新投入和拟投入该行业的厂商大量增加，企业所面临的竞争压力也日益增大。主要观点1. 随着各国对碳排放标准的要求日趋严格，新能源汽车取代传统汽车是大势所趋。预计未来十年，纯电动汽车将是新能源汽车发展的主流方向，插电式混合电动汽车是过渡产品，燃料电池汽车因成本等原因只能作为纯电动汽车的补充。2. 行业已从初创期步入成长期，头部企业已形成品牌壁垒，营收显著改善。但企业所面临的竞争压力也非常大，随着传统汽车企业的转型和更多科技巨头跨界加入，企业必须投入大量资金在生产和研发上以争取竞争优势。行业存在结构性产能过剩，未来将有大量车企被迫退出，投资风险很高。3.软件定义汽车的理念已被普遍接受，软件方面的技术变革比硬件方面更值得关注，能够通过OTA持续升级的车载软件是未来车企的主要利润来源。软件定义汽车的关键在于自动驾驶技术，预计率先取得自动驾驶技术实质突破的车企将会成功突围。4.从产业链看，最佳投资机会集中在中游零部件和最下游的后期服务企业。这些行业竞争格局稳定，龙头优势明显，受益于新能源汽车行业整体发展而较少受单一车企经营风险的影响。上游原材料周期性强，适合短期投资。关注公众号“至简量化”并在后台回复“新能源”即可获得完整报告PDF下载链接。$特斯拉(TSLA)$
至简量化认证个人
老虎认证： 公众号：至简量化。理论联系数据，践行科学投资
IP属地：北京
14关注
3394粉丝
1主题
0勋章
【重磅发布】新能源汽车行业研究及投资建议（2020-2021Q1）
【重磅发布】新能源汽车行业研究及投资建议（2020-2021Q1）
研报复现--行业轮动：三个标尺与两个方案
这里是至简量化，一个分享量化交易知识和应用的公众号。我们还有另一个号--复哥读与思，分享财经读书心得和观点，欢迎同步关注。上一篇《动量、景气、拥挤度：三个指标玩转行业轮动策略》介绍了行业轮动的三个标尺的实现，发现除拥挤度外另外两个指标的表现不及预期，本篇参考国盛金工的另一篇研报《行业轮动：三个标尺与两个方案》，将三个指标组合使用，取得了较理想的回测效果。《行业轮动：三个标尺与两个方案》提供了两种组合方案：方案一 强趋势+低拥挤一是先按“强趋势+低拥挤”选择排名靠前的行业，再从中剔除景气度排名倒数的行业。股票市场基于未来的信息定价从而能够反映市场对未来基本面的认知，但投资者的非理性行为，为市场的预知能力增加了一层噪声。因此，如果我们想充分利用市场智能，则必须同时考虑趋势和拥挤度： 当行业进入强趋势&低拥挤象限时，往往代表聪明钱看好该行业，行业未来基本面预期向好，行业仍具备上涨的潜力；当行业已经在强趋势&高拥挤的区间时，一般代表非理性投资者在跟风买入，往往代表行情已经基本上告一段落。方案二 高景气+强趋势 二是先按“高景气+强趋势”选择排名靠前的行业，再从中剔除拥挤度最高的几个行业。逻辑是股票由经济增长驱动，对应到行业则是行业景气度的上行驱动。但是，景气度的上行需要及时被市场认知，与趋势形成共振，这样才能提升胜率。因此我们在做景气度投资的时候必须同时考虑景气度和趋势。同时当羊群效应导致行业投资过热时如果能即时回避可以避免很多损失，这就是为什么要剔除拥挤度过高的行业。方案二实现个人认为第二种方案逻辑上更为合理，因此本文只给出第二种方案的实现，具体实现逻辑如下：1) 多头筛选：每月底根据景气度(历史+分析师)、趋势选前五的行业作为行业底仓；2) 拥挤度
研报复现--行业轮动：三个标尺与两个方案
美国投资者看好中国AI，让我想起了巴西总统说他喜欢看中国足[呆住]
抱歉，原内容已删除
穿越牛熊：CTA策略全景解析与未来展望
文末重磅福利 这里是至简量化，一个分享量化交易知识和应用的公众号。 CTA策略，全称“Commodity Trading Advisor”，是指在期货和期权市场上，通过趋势跟踪、基本面分析、套利等策略，以获取绝对收益为目标的投资策略。CTA策略的投资标的包括商品期货、金融期货、外汇期货与期权等。 在当今金融市场上，CTA策略由于其特殊的投资思路和收益表现，备受投资者的关注。本文将对CTA策略的特点、应用场景、发展历程、类型、盈利逻辑、风险以及投资建议进行全面介绍。 一、CTA策略特点 1. 绝对收益： CTA策略的目标是获取绝对收益，而不是相对于某个基准指数的表现。这意味着即使在整体市场下跌的情况下，CTA策略也能够实现盈利。 2. 低相关性： CTA策略与股票、债券等传统资产具有较低的相关性，这意味着当传统资产表现疲软时，CTA策略可能会表现更为强劲，有助于投资组合的分散化和降低整体风险。 3. 杠杆效应： CTA策略可以利用期货市场的杠杆效应，即以相对较少的资金控制更大规模的资产，从而放大投资回报。 4. 高流动性： 期货市场具有较高的流动性，CTA策略可以进行灵活交易，更容易实现资金的进出。 5. 策略多样化： CTA策略的种类繁多，涵盖了趋势跟踪、基本面分析、套利交易等多种策略类型，投资者可以根据自身需求和市场环境选择适合的策略。 二、CTA策略应用场景 1. 资产配置： 由于CTA策略与传统资产具有低相关性，可以作为资产配置的一部分，有助于降低整体投资组合的风险，并提高收益的稳定性。 2. 风险对冲： CTA策略往往能够在市场下跌时取得正收益，因此可以作为一种
穿越牛熊：CTA策略全景解析与未来展望
全球量化交易简史及中国特色发展阶段
量化交易（Quantitative Trading）是一种基于计算机程序和统计模型的交易方式，它使用数学模型和算法从历史市场数据中挖掘规律和趋势，并通过计算机程序执行交易策略。与传统的基于人工经验的交易方式相比，量化交易的自动化和智能化程度更高，因此量化交易正在全世界的资本市场占有越来越高的份额。 一.全球量化交易发展史 量化交易在国内尚属方兴未艾的阶段，然而从全球范围看，量化交易已经经历了数十年的长足发展。 20世纪70年代，纳斯达克股票交易所（NASDAQ）在1971年创立，它是世界上第一个电子证券交易市场。电子证券交易市场的出现和发展为各类量化交易者提供了舞台。最著名的量化交易公司文艺复兴基金的前身Monemetrics，在几年后的1978年由西蒙斯创立。 20世纪80年代，更多传统的交易公司逐渐开始使用计算机技术来辅助交易决策，并开始使用程序化交易策略进行交易。1986年，David Shaw加入摩根斯坦利的APT量化交易组，这个组利用一种叫配对交易(Pair-trading)的量化策略在当年赚了约四千万美元，两年后他创立了自己的对冲基金D.E.Shaw。 在20世纪90年代，量化交易公司开始成为华尔街的主要参与者之一，量化交易策略如雨后春笋般不断出现，量化套利、高频交易等交易策略不断得到应用。著名的Citadel LLC（俗称城堡公司）就在1990年由肯·格里芬在美国创立。 2000年代，交易员们开始使用机器学习算法来识别交易机会。互联网和大数据技术的普及为量化交易提供了更多的数据和信息，让量化交易成为更加精准、高效的投资方式。Two Sigma就在这一时期成立并蓬勃发展。值得一提的是2008年发生了席卷全球的金融危机，对美国的量化交易机构产生了很大冲击，很多华尔街的中国籍员工回到国内，掀起了中国市场量化交易的热潮。 2010年以后，随着大数据技术的不断发展，量化
全球量化交易简史及中国特色发展阶段
【形势要点：最近4个月美国抓获的中国非法移民大增800%】 据美国福克斯新闻报道，来自美国海关和边境保护局（CBP）的数据显示，在2022年最后一个季度，抓获了1862名试图穿越美国和墨西哥边境的中国公民。而在2021年的这几个月里，仅有229名中国移民被抓获。CBP的一位高级消息人士透露，如果加上2023年1月份，逮捕的中国公民与上一财年同期相比增加了800%，目前1月份的数字还没有公布。据美国联邦数据，自2021年2月以来，CBP遇到的中国非法移民的数量每月都在稳步增加。美国的2023财年于2022年10月拉开序幕，短短几个月，非法越境进入美国的中国公民人数将超过2022年全年抓获的总人数（1970名）。美国国土安全部（DHS）的一位消息人士还称，2月8日，有15名中国国民被里奥格兰德河谷（Rio Grande Valley）的部门拘留，年龄从20多岁到50多岁不等。
ChatGPT是什么？3分钟搞懂风靡全球的聊天AI
如果你瞄准月亮，即使迷失，也是落在璀璨星辰之间。 —— 埃隆・马斯克 没错，又是他 最先引爆这场风潮的还是科技怪杰埃隆·马斯克 (Elon Musk) 。 作为Twitter 的新任首席执行官，马斯克在 12 月 2 日转发了一篇推特，内容是一位纽约时报记者与一位硅谷科技企业家就言论自由和审查制度进行的对话。 好像没有什么特别？如果告诉你这些对话都是AI凭空生成的，你的评价又会如何？ 马斯克的评价是，“AI 正变得非常棒”！ 创建上述虚拟对话的是人工智能研究公司 OpenAI 开发的工具ChatGPT，对话截图左上角的绿色图标就是OpenAI的logo。 该公司推出了一系列语言模型来再生成自然的文本，并可以执行诸如判断意图、总结内容、分类数据、翻译文本、将语言转换为代码等任务。 ChatGPT是什么？ OpenAI 首席执行官 Sam Altman 于 12 月 1 日发布推文，邀请用户在 ChatGPT 上进行对话。用户使用电子邮件和手机注册就可以免费
ChatGPT是什么？3分钟搞懂风靡全球的聊天AI
人工智能选股--线性回归和逻辑回归
上一篇提到多因子模型将资产的超额收益率表示为： 式中 为资产n对因子k的暴露度 为因子k的因子收益率 为资产n的特意收益率，即收益率中不能被因子解释的部分 理论有了，作为A股小韭菜怎么将这一模型用于选股呢？本文将尝试用线性回归和逻辑回归算法来解决这一问题。 我们事先准备了79个经单因子分析效果不错的因子，这些因子基本都来自华泰的多因子系列研报。数据获取及预处理过程比较繁琐，与本文主题关系也不太大，大家可以直接下载我处理后的数据。 链接: https://pan.baidu.com/s/1rZYWX-eYvmTyR7pBztGkng?pwd=wpvg 提取码: wpvg 处理方法如下： 1． 股票池：中证500成份股，剔除 ST、PT 股票，剔除上市不满12个月的新股，剔除每个截面期下一交易日停牌的股票。 2． 训练区间：2010-01-01 至 2021-12-31 回测区间：2016-01-01至2022-2-28 3．数据预处理：空值填充、行业市值中性化、中位数去极值、标准化。 4．特征和标签提取：每个自然月的最后一个交易日，计算 79 个因子暴露度，作为样本的原始特征；计算下一整个自然月的个股超额收益（以中证500 指数为基准），作为样本的标签。因子池见下表。 在每个月末截面期，以下个月的个股超额收益率作为标签。 5．训练和测试 样本内训练：每个月使用过去 72 个月的因子数据进行训练，进行月度滚动训练。 样本外测试：模型训练完成后，对接下来的12个月以每月月月末截面期所有样本预处理后的特征作为模型的输入，得到每个样本的预测值，将预测值视作合成后的因子，构建组合进行回测。 先用简单的sklearn.linear_model.LinearRegression测试一下最小二乘法回归（OLS）。它的基本原理是通过在训练数据中拟合线
人工智能选股--线性回归和逻辑回归
中国10月社会消费品零售总额年率为-0.5%，不及1%的预期。 规模以上工业增加值年率为5%，略低于5.20%的预期。 城镇固定资产投资年率为5.8%，符合预期。 城镇调查失业率维持在5.5%。
肖申克的救赎
因子投资与人工智能
大部分人在投资中会选择主动投资而不是买入宽基指数并长期持有的被动投资模式。主动投资的一个基本假设是市场不是强有效的，所以投资者有机会通过非公开的数据、消息，甚至只靠在公开数据的基础上使用常规的技术分析、基本面分析手段，获取超越市场的回报。这些主动投资方法可以笼统地归纳为定性分析，与之相对的是定量分析，依靠可以量化的宏观数据、财务数据、交易数据，建立量化模型，进行资产配置和组合构建等决策。 主动投资要解决的核心问题是收益预测，这是毋庸置疑的，没有对资产的收益预测就不可能做出主动投资决策，只能被动投资。即使是一些简单的号称不做预测的趋势跟随策略其实也隐含了预测，它的预测就是趋势会持续。 最早的定量收益预测模型是资本资产定价模型（CAPM），CAPM的基本概念是特定金融资产的期望收益率由两个部分组成，无风险利率以及对所承担风险的系统风险的溢价。 CAPM是一种单因子定价模型，它只在严格的假设下才成立，不能满足实际应用的需求。因此Ross（1976）提出了套利定价理论（Arbitrage Pricing Theory，简称APT）。套利定价理论（APT）是一种多因素资产定价模型，其思想是可以用资产的预期收益与获取系统风险的多个预测变量（即因子）之间的线性关系来预测资产的收益。 资产的超额收益率可以表示为： 式中Xn，k 为资产n对因子k的暴露度 为因子k的因子收益率 为资产n的特意收益率，即收益率中不能被因子解释的部分 APT的理论价值大于实际价值，因为它提供的多因子模型既没有明确因子的数量，也没有明确具体的因子。也正因为这样，它带有极大的灵活性，允许每个人定义自己的多因子模型，最终成就了席卷学术界和投资界的因子大爆炸。 在学术界，学者们争相推出自己版本的多因子模型，最广为人知的包括Fama-French三因子模型（组成因子为市场、规模、价值）、Carhart四因子模型（组成因子为
因子投资与人工智能
中国经济的三重压力与四个陷阱
2021年末召开的中央经济工作会议首次提出“我国经济发展面临需求收缩、供给冲击、预期转弱三重压力”，2022年的政府工作报告再次强调中国经济仍将面临“三重压力”的挑战。在四月份上海疫情后官方很少再提这个说法了，但这两天发布的7月份的金融、经济数据明明白白地告诉我们这三重压力一个都没少。先看金融数据。根据人民银行的数据，2022年7月社会融资规模增量为7561亿元，比上年同期少3191亿元。社会融资规模增量是指一定时期内实体经济从金融体系获得的资金额。社融增量减少，供给肯定跟不上。接着看人民银行的数据，7月份人民币贷款增加6790亿元，同比少增4042亿元。7月份人民币存款增加447亿元，同比多增1.18万亿元。贷款减少、存款增加，需求收缩是必然的了。再深想一步，为什么大家不愿意贷款愿意存款了呢？显然是因为对未来的预期转弱，风险偏好降低，找不到合适的投资标的了。三重压力齐活！统计局的经济数据从另一个角度印证了三重压力。7月份，全国规模以上工业增加值同比增长3.8%，比上月回落0.1个百分点，这条印证了供给冲击。社会消费品零售总额35870亿元，同比增长2.7%，比上月回落0.4个百分点，这条印证了需求收缩。至于预期，16-24岁人口调查失业率达到19.9%，正所谓少年强则国强，少年失业则国……与数据发布几乎同时，货币政策随即推出，央行降息了！央行8月15日开展4000亿元中期借贷便利（MLF）操作和20亿元公开市场逆回购操作，中标利率分别为2.75%、2.0%，均下降10个基点。1年期MLF利率和7天逆回购利率是最为重要的政策利率，其调整具有风向标的意义。然而这时候推出货币政策真的有用吗？回看7月份的金融数据，尽管贷款和社融增量大幅降低，但广义货币（M2）却仍在大幅增长。7月末，广义货币(M2)余额257.81万亿元，同比增长12%，增速分别比上月末和上年同期高0.6个和3.
中国经济的三重压力与四个陷阱
历史分位数因子分析
最近在看华泰金工的多因子和人工智能两个系列的研报（强烈推荐），并在逐步复现。多因子系列的第十三篇基于前期报告中的估值和财务质量因子来构造历史分位数因子。构造历史分位数因子所用到的基础因子，主要包含估值和财务质量两大类因子，财务质量因子中，又包含 6 类细分因子。研报用函数 ts_rank(F, n)表示因子，计算的是因子 F 在过去 n 个季度里的分位数(特殊情况：设因子 F 历史可用数据长度为 m，若 m<n 则函数计算的是因子在过去m个季度里的分位数)。对于估值类因子，由于可以每日计算因子值，可用数据点较多，因此 n 的最小取值设为 2。对于财务质量类因子，由于每个季度才能计算因子值，可用数据点较少，因此 n 的最小取值设为 6。分析结果表明，表现较好的因子选股效果随着回看期数的增加大致呈现出逐渐减弱的趋势。我们推测其背后的原因是回看期数越小，因子值的变化越及时，能较快反映出个股基本面的变化趋势。研报中分析的诸多因子中效果较好的几个是rank_EP_2、rank_roa_6、rank_gross_profit_margin_6、rank_operating_profit_to_profit_6。下面对上述因子，在沪深300和中证500成份股上分别做IC分析、t检验和分层测试。历史分位数因子与沪深300IC分析结果：结果表明前三个因子的IC分析结果较理想，rank_EP_2因子IC最高，rank_gross_profit_margin_6 因子IR最高，不过几个因子IC大于0的比例较低。t检验结果：结果表明四个因子t值都不显著，不过前三个因子的因子收益率较高，因子收益率t检验值也很显著。分层测试结果（五层）：上表展示的是每个因子对应的每层相对于沪深300指数的年化超额收益，可以看出各个因子的不同层次的超额收益普遍表现出了明显的单调性，rank_EP_2和rank_r
历史分位数因子分析
小改变大提升，还是主力资金选股
上周末写的《主力资金因子再分析》分析了主力资金相关的6个因子，分资金净额和资金净额占成交额的比例两类，发现部分因子在中证500上有不错的表现，但在沪深300上全都没有明显效果。这一差异很大程度上与公司市值有关，一个显而易见的改进方向就是通过主力资金净额与市值或流通市值的比例作为因子。基于此，先计算每天主力净额、超大单净额、大单净额占股票市值的比例（作者也分析了通过三种净额占股票流动市值的比例构建的因子，在沪深300上效果较市值更好，在中证500上效果较差，整体看相较于市值没有明显提升），再分别按最近5天（一周）和20天（一个月）的平均值作为因子取值，得到六个因子。从ic分析和t检验和分层测试结果看，本文提出的六个因子相对于《主力资金因子再分析》中提到的因子效果有明显提升。下面将六个因子对沪深300和中证500成份股分别分析。 主力资金与沪深300下面以沪深300成分股为分析对象，时间范围为2010年1月1日到2022年1月31日，每个月末取因子截面，经过去极值和行业、市值中性化等处理后跟下个月的收益做关联，得出因子的IC分析、t检验和分五层测试的结果如下：IC分析结果： 各因子的累计IC值：结果表明lmf_per_cap_20和lmf_per_cap_5，也就是大单净额占市值的比例的5日和20日平均值效果接近，都可以作为有效因子，不过从累计IC值看2021年因子IC值整体为负。t检验结果： 结果表明各因子t值都不显著，但是多个因子的因子收益率显著，其中lmf_per_cap_5的因子收益率最高。分层测试结果（五层）：上表展示的是每个因子对应的每层相对于沪深300指数的年化超额收益，大多数因子并没有展现出清晰的单调性，不过有个普遍的规律是各因子的第一层都呈现明显的负收益，而收益最高的层普遍集中在第四层。下图是lmf_per_cap_5因子各层的
小改变大提升，还是主力资金选股
A股估值简报（20220525）
一、主要股指估值沪深300当前PE18.78，位于近5年历史百分位的14.67%，低估；当前PB2.7，位于近5年历史百分位74.75%，高估。中证500当前PE17.91，位于近5年历史百分位的1.31%，超低估；当前PB1.8，位于近五年历史百分位的25.82%，低估。创业板当前PE33.4，位于近5年历史百分位的13.11%，低估；当前PB4.19，位于近五年历史百分位的37.54%，适中偏低。二、一级行业估值偏离情况各一级行业的PB和PE偏离历史均值的情况，横线为PB历史估值中位数水平，越往上代表PB超出历史中位数越多，越往下代表PB低于历史中位数越多；竖线代表PE历史估值中位数水平，越往右代表PE超出历史中位数越多，越往左代表PE低于历史中位数越多。理论上第一象限的行业估值偏高，第三象限的行业估值偏低。三、神奇公式选股价值投资的核心是选择低估值的优质股，我们以低PE代表低估值，以高ROE代表优质，在中证800成份股的基础上过滤掉房地产、银行行业的股票，以及停牌股和新股，通过PE和ROE排序打分得到最优和最差的10个股票，仅供参考：@话题虎@小虎活动@小虎AV@爱发红包的虎妞
A股估值简报（20220525）
主力资金因子选股再分析
至简君去年写过一篇《跟随主力资金选股的因子分析结果和回测问题》，当时的结论是因子分析结果很好，但是回测效果很差，这给至简君造成了很大的困扰，严重到直接把因子方面的学习和探索搁置了好几个月。最近看了华泰金工的多因子系列研报，总算解开了这方面的困惑，同时也基本复现了研报里的多因子分析框架，趁周末居家无事，正好用新框架分析一下主力资金因子。主力资金流向是重要的投资风向标，最大众的散户平台同花顺都把它放在最显眼的位置展示。与同花顺一样，聚宽也将资金流按规模分为四类： 超大单：大于等于50万股或者100万元的成交单 大单：大于等于10万股或者20万元且小于50万股或者100万元的成交单 中单：大于等于2万股或者4万元且小于10万股或者20万元的成交单 小单：小于2万股或者4万元的成交单一般认为超大单和大单来自机构，中单和小单来自散户，所以超大单和大单加起来构成主力资金。基于此，我们从聚宽平台接入下列六项数据，取其近20个交易日的平均值作为因子值，对沪深300和中证500成份股分别分析。 主力资金与沪深300下面以沪深300成分股为分析对象，时间范围为2010年1月1日到2022年1月31日，每个月末取因子截面，经过去极值和行业、市值中性化等处理后跟下个月的收益做关联，得出因子的IC分析、t检验和分五层测试的结果如下：IC分析结果：各因子的累计IC值：结果表明主力资金类因子整体IC、IR都较低，资金占比类因子（后三项）的表现明显好于资金净额类因子（前三项），大单净占比（net_pct_l）的表现明显强于其他因子，不过近期因子IC值集体下降。t检验结果：结果表明各因子t值都不显著，大单净占比（net_pct_l）的因子收益率比较显著。分层测试结果（五层）：上表展示的是每个因子对应的每层相对于沪深300指数的年化超额收益，大多数因子并没有展现出清晰的单调性，大单净占比（net_pct_l）
主力资金因子选股再分析
长期向好的大方向没有变
Fama-French三因子模型残差波动率因子实现
最近在看华泰金工的多因子和人工智能两个系列的研报（强烈推荐），并在逐步复现。多因子系列的第六篇波动率类因子里有两类特质波动率，其中第二类特质波动率是由近 n个月内 Fama-French 三因子回归残差的标准差构成，因子分析效果比较理想，并在人工智能系列里继续作为特征使用。这个系列的因子实现上稍微有点复杂，我在网上没有看到跟华泰金工思路一样且实现正确的代码，所以我觉得把我的实现分享出来是有一定价值的。波动率类因子的基本原理是，如果某只股票在过去一段时间的波动率明显高于同类型股票的平均水平，则该股票可能是近期资金多空角逐比较激烈的战场，一般来说，个股波动率高从统计意义上讲是负向指标。特质波动率因子将股票的系统风险与公司层面的特质风险剥离开来，一般可以简单基于CAPM 模型计算股票特质波动率，即为过去一段时间内个股日收益率序列对市场组合（报告里采用中证全指，我们为了节省时间用的沪深300）日收益率序列进行一元线性回归的残差的标准差（剔除停牌的交易日）。特质波动率的度量方式有许多种，可以使用 CAPM回归残差序列的标准差进行计算，也可以更精细地使用 Fama-French三因子模型的回归残差序列的标准差进行计算。三因子与 CAPM 比较，相当于新引入了规模因子和账面市值比因子，本文实现的就是这类因子。Fama-French三因子模型残差波动率因子即为过去一段时间内个股日收益率序列对市场组合（我们这里采用中证全指）日收益率序列、规模因子日收益率序列、账面市值比因子日收益率序列进行多元线性回归的残差的标准差（剔除停牌的交易日）。其中，规模（或账面市值比）因子日收益率的计算方法为前一日市值（或 PB）排后 30%的股票的本日收益均值减去前一日市值（或 PB）排前 30%的股票的本日收益均值。个人基本复现了华泰的多因子分析框架，下面以沪深300为分析对象，时间范围为2008年1月1日到2
Fama-French三因子模型残差波动率因子实现
转：美国情报界对俄乌战争的看法和评估当地时间5月10日，美国国家情报总监艾薇儿·海恩斯和国防情报局局长斯科特·贝里尔在参议院军事委员会作证，阐述了美国情报界关于俄乌冲突有关问题的看法和下步走向的分析判断，相当内容值得借鉴和参考：1、关于俄军暴露出来的问题。美国国防情报局正在重新审视自身该如何评估外国军队，国防情报局没有预见到俄罗斯的空心部队，缺乏士官部队、缺乏领导力培训、缺乏有效的理论，而这些都是深层次的评估标准。我们的观点是，俄罗斯地面作战部队已经大大退化，他们将需要数年才能重建。2、关于目前僵局。俄罗斯人没有赢，乌克兰人也没有赢，形势僵持。如果俄罗斯不宣战和动员，僵局将持续一段时间，我没有看到任何一方的突破。俄罗斯和乌克兰都认为他们可以继续在军事上取得进展，我们看不到可行的谈判道路，至少在短期内是这样。3、关于俄罗斯的作战目的。俄罗斯领导人不会通过顿巴斯战役结束战争，其决心是建造一条连接顿巴斯、克里米亚、摩尔多瓦德左地区的陆桥。4、关于俄罗斯的战争意志。普京很可能认为俄罗斯比他的对手有更大的能力和意愿来承受挑战，他可能指望美国和欧盟决心随着粮食短缺、通货膨胀和能源价格恶化而减弱。5、关于战争的不确定性和升级可能。战争本身就具有不确定性，加之普京的雄心与俄罗斯目前的常规军事能力不匹配的现实，可能意味着一个更加不可预测和可能升级的走向。普京可能会转向更激烈的手段，包括实施戒严令，重新调整工业生产方向或可能升级的军事行动，以便在冲突拖延时释放实现其目标所需的资源，或者如果他认为俄罗斯在乌克兰正在失败。战争最有可能升级的爆发点是“俄罗斯越来越多地试图阻止西方的安全援助，对西方经济制裁的报复或对国内政权的威胁。莫斯科继续使用核言论来阻止美国和西方增加对乌克兰的致命援助，并回应公众评论，这些评论暗示在冲突中“扩大西方目标”。6、关于核武器的使用。普京可能试图通过授权另一次大型核演习
A股估值简报（20220505）
一、主要股指估值沪深300当前PE18.74，位于近5年历史百分位的13.61%，低估；当前PB2.66，位于近5年历史百分位71.97%，高估。中证500当前PE17.39，位于近5年历史百分位的0.49%，超低估；当前PB1.74，位于近五年历史百分位的14.67%，低估。创业板当前PE32.58，位于近5年历史百分位的11.23%，低估；当前PB4.18，位于近五年历史百分位的35.98%，适中偏低。二、一级行业估值偏离情况 各一级行业的PB和PE偏离历史均值的情况，横线为PB历史估值中位数水平，越往上代表PB超出历史中位数越多，越往下代表PB低于历史中位数越多；竖线代表PE历史估值中位数水平，越往右代表PE超出历史中位数越多，越往左代表PE低于历史中位数越多。理论上第一象限的行业估值偏高，第三象限的行业估值偏低。三、神奇公式选股价值投资的核心是选择低估值的优质股，我们以低PE代表低估值，以高ROE代表优质，在中证800成份股的基础上过滤掉房地产、银行行业的股票，以及停牌股和新股，通过PE和ROE排序打分得到最优和最差的10个股票，仅供参考：@话题虎@小虎活动@小虎AV@爱发红包的虎妞
A股估值简报（20220505）
$阿里巴巴(BABA)$2022年4月25日，杭州市国家安全局依法对勾结境外反华敌对势力，涉嫌从事煽动分裂国家、煽动颠覆国家政权等危害国家安全活动的马某采取刑事强制措施，目前此案正在深入调查中。(央视新闻)
去老虎APP查看更多动态